图像超分辨率技术源于图像复原领域。随着计算机和网络的发展，图像在人们的日常生活中变得越来越重要，日常获得的图像由于硬件技术或成本的限制通常分辨率较低，如医学影像、遥感图像、监控视频等，通常很难明确分辨出清晰的物体影像。同时，硬件的发展也受到了限制，CCD或CMOS传感器的排列和尺寸短期内很难进一步排列优化和缩小，从而催生了从软件算法领域提高图像分辨率的技术，即图像的超分辨率重建。该技术可在成本相对低廉，不更换昂贵硬件的前提下提高图像分辨率，得到硬件截止频率之上的图像信息，具有很高的研究价值，目前在医学影像、卫星遥感、公安监控、军事侦察、多媒体视频等诸多领域中都有广阔的发展和应用前景。处理前后几何特征的保持一直是图像超分辨率重建的前提，但现有的基于学习的图像超分辨率重建方法是通过输入单幅图像，根据图像的先验信息复原高分辨率图像，从而存在着一定的图像几何预测失真，例如，复原前后人脸图像轮廓或五官位置的微平移，地面目标的形状微改变，医学检查图像中骨骼或器官轮廓的微变形，这些都是困扰基于学习的超分辨率重建方法在某些尤其是严谨性要求较高的领域成功应用的关键问题。尽可能重建图像的原始清晰的特征、减小图像中物体的几何失真，一直是超分辨率研究不变的目标之一。　　本研究主要内容包括：⑴分析了流形学习降维方法，改进了LLE算法，提出了自适应邻域选择的权重矩阵稀疏编码算法SSME，保证邻域选择的准确性和运行效率。该方法通过优化LLE算法的邻域选择策略，通过设定迭代阈值，自适应地选择合适邻域数目和返回邻域权值，通过权值矩阵的稀疏编码实现了图像邻域降维的目的。实验表明能够有效地消除邻域奇异点的干扰，使重建图像轮廓和结构更加真实，比当时一些同类型的先进算法的峰值信噪比提高了0.1-0.3dB。⑵分析了NSCT算法的问题和优缺点，结合MRF特点，提出了基于NSCT和MRF邻域选择模型的图像超分辨率重建算法。该方法通过结合NSCT高频特征块和MRF邻域匹配，提取和匹配高分辨率图像之间以及高、低分辨率图像之间的高频图像块特征信息，对图像进行超分辨率重建，结果表明该方法的优势，有效消除了重建图像的混叠现象和一定的“接缝”现象，使得图像几何特征和纹理信息得到一定的复原，减小了图像失真度，提高了图像超分辨率重建的效果。⑶分析了建立在稀疏字典上的图像超分辨率重建方法中稀疏冗余字典的基本问题，提出了基于稀疏原子聚类字典学习的图像超分辨率重建方法，使待重建图像块的邻域选择问题可以建立在比一般字典学习方法更多的训练图像和更小的稀疏字典中，且图像训练库的扩容并不影响训练速度，不仅使得实际学习时字典尺寸减小，同时也使学习建立在更精准的图像块集合中，提高了学习速度和质量，增加了先验知识（更多训练图像的加入），图像的重建效果比聚类前的字典学习方法更优。